企业 AI 落地：立项、交付、算账，以及翻车复盘
找到 17 篇相关文章
个人知识库用关键词检索往往就够。企业库再谈 RAG、混合检索和检索前的权限。
上个周末把 Pi Agent 的原理过了一遍，才发现模型连手都没有，动手的一直是框架。
周报已经能让AI写进Excel，发出去还得我自己点。试完Grok Bot我想清楚了，下一台该接手工作的，是家里那台一直开着的电脑。
同时管几个项目时，给每个群接一个 AI 分身；一库、一会话、一人设绑死，才敢让它开口。
工具越装越多，工作却未必变轻。真正可持续的做法，是从真实任务出发，把稳定、重复、可验收的工作方法沉淀为个性化 Skill，并用最小权限、人工验收和持续维护守住执行边界。
Agent 聊天窗口看起来更聪明，不代表工作能稳稳交付。真正要解决的是怎么验收。
模型能力相同，外围工作环境不同，实际效果差距明显。Harness 是包在模型外面的上下文、工具、任务编排、反馈验证和约束系统。
当大家使用相近的模型，真正影响长期输出的，是一份持续更新的个人工作档案，让 AI 记住你的偏好、资料、判断和验收标准。
ChatGPT Work把连接器、Agent、Codex和长任务能力整合进一套工作体验。对知识工作者来说，重点正在从怎么提问，转向怎么派任务、划边界和验结果。
提示词焦虑是上一阶段的事，AI使用的下一阶段是设计循环，让AI自己检查、自己改进、自己继续
企业数据进入AI Agent有五道关，大多数团队卡在第三道，权限层。
Agent的可靠性不取决于prompt多精妙，而取决于循环设计——任务拆解、验收标准、失败重试机制。
Agentic RAG方向对，但大部分企业现阶段不需要上，先把手头的RAG和知识治理做扎实再说。
